基于双分支时空谱融合模型（DTSF）与数据增强的颅内脑电信号自动分类研究

本文提出了一种创新的双分支时空谱融合模型（DTSF），通过结合卷积神经网络（CNN）和门控循环单元（GRU）提取颅内脑电（iEEG）信号的时域与频域特征，并利用Transformer模块动态融合多模态信息。该模型在FNUSA和MAYO数据集上显著优于现有方法（如IEEG-TCN、SEEGNet），为耐药性癫痫（DRE）的术前评估提供了自动化分析工具，解决了传统单网络架构无法充分挖掘时空谱互补特性的难题。

　　

Highlight

本研究针对现有颅内脑电（iEEG）分类方法局限于单网络架构、难以融合时空谱互补特征的问题，提出双分支时空谱融合模型（DTSF）。其创新性体现在：

1. 1.

   双分支特征提取：时域分支处理原始信号与带通滤波信号，频域分支分析短时傅里叶变换（STFT）频谱，通过CNN-GRU组合分别捕获局部模式与长程依赖；

2. 2.

   动态特征融合：基于Transformer的自注意力机制动态加权时空谱特征，生成统一表征；

3. 3.

   数据增强策略：采用Mixup增强提升模型泛化能力。

Results

在FNUSA和MAYO数据集上的实验表明，DTSF的准确率与Kappa系数显著优于CNN、LSTM等基线模型。例如，跨数据集测试中，DTSF对癫痫样放电（IEDs）和高频振荡（HFOs）的检测灵敏度达92.3%，较IEEG-HCT提升6.8%。

Discussion

DTSF的成功归因于：

• •

  时域分支有效捕捉癫痫发作的瞬态尖波（如IEDs）；

• •

  频域分支识别80Hz以上的高频振荡（HFOs）；

• •

  Transformer融合模块克服了传统CNN-LSTM的全局建模缺陷。

Conclusion

DTSF为iEEG分类提供了首个端到端的时空谱联合分析框架，其模块化设计可扩展至其他神经电生理信号（如ECoG）分析，具有临床转化潜力。